Sentinel-2A红边波段对湖滨带植被分类能力的评估

濮毅涵,张 栋,徐丹丹,4,栾兆擎,4

(1.南京林业大学 生物与环境学院,南京 210037；2.中国科学院南京地理与湖泊研究所湖泊与环境国家重点实验室,南京 210008；3.中国科学院大学,北京 100049；4.南京林业大学南方现代林业协同创新中心,南京 210037)

湖滨带作为水体和陆地生态系统的过渡地带,具有调节气候、稳固湖岸、涵养水源等重要生态功能[1],这些功能的实现与湖滨带植被的健康生长、群落组成、分布状况密切相关。但随着社会经济的发展,人类对湖滨带的干扰强度增加,湖滨带生态系统的退化成为普遍现象[1],因而对湖滨带各植被条带实施生态监测显得刻不容缓。

在生态监测领域,遥感技术凭借其观测范围广、周期短、获取信息便捷等优势广泛应用于生物多样性保护、环境灾害监测、植被调查等研究方面[2]。植被遥感监测主要包括植被分类、覆盖度估算、健康状况监测及生物量估算等内容[3]。对湖滨带植被监测而言,明确各条带的植被种类配置是进行湖滨带研究的首要前提。早期阶段,卫星传感器的设置以蓝、绿、红及近红外波段为基础[4],植被遥感分类多基于目视解译完成,分类精度依赖于解译者的先验知识,耗时耗力[5]。随着技术的发展,在卫星传感器上增设敏感波段成为提高地物识别精度的方法之一,传感器波段的设置也逐渐扩展到红边、短波红外等[4]。植被指数多基于红波段构建,由于叶绿素在红波段处吸收强烈,导致植被指数对叶绿素含量的敏感性降低；而红边区域叶绿素吸收减少,进而有效降低了叶绿素饱和效应的影响[6]。由于红边为位于红波段和近红外波段间的一个陡峭的上升区域,不同种类的植物,其红边光谱特征存在差异[7],因而红边区域光谱特征对植被细分类[8]、健康状况监测[9]、生物参数估算[10-11]等具有重要意义[12-14]。

德国的RapidEye为最早携带红边波段传感器的卫星,目前美国发射的WorldView-2及WorldView-3卫星、欧洲空间局发射的Sentinel-2卫星也均带有红边波段传感器。但是RapidEye卫星和WorldView系列卫星在红边区域只设有一个红边波段,波段较宽,无法准确获得植被的“红边”光学特征[15],一定程度上限制了光谱红边参数的应用[16]；而Sentinel-2A卫星在红边区域覆盖有3个波段,主要目的为监测地表环境变化,覆盖范围为56°S～84°N,携带有一枚多光谱成像仪MSI,包括13个光谱波段,可获取空间分辨率分别为10,20,60m的对地观测影像,重返周期为10d,在保证较高空间分辨率的同时也可以为同一区域提供连续的时序数据。得益于该特点,Sentinel-2A影像被广泛应用于土地利用变化研究、灾害监测、水质检测及植被生长监测等领域。毕恺艺等[17]基于Sentinel-2A影像构建了归一化植被指数的时序曲线,采用面向对象的方法进行植被类型的提取,结果显示,提取精度获得大幅度提高；郭文婷等[18]以Sentinel-2A影像为数据源,构建归一化植被指数的时间序列,选取最佳分类波段和纹理特征,利用支持向量随机法对植被进行分类,有效提高了分类精度；汪政辉等[19]利用Sentinel-2A影像,分别分析翠屏湖区域浮叶植被和沉水植被的敏感波段,在此基础上，构建可区分浮叶植被、沉水植被和其他地物类型的植被指数进行植被群落分布信息的绘制。但是,以上关于植被群落信息提取的研究大多基于植被指数进行,并未考虑到Sentinel-2A光谱红边特征在植被群落分类中的直接应用能力。

Sentinel-2A影像作为目前唯一一个在红边区域覆盖有3个波段的多光谱卫星影像,相较于不设有红边波段、设有红边波段但是波段较宽的卫星影像,不仅具有较高的时间与空间分辨率,并且能够免费获取,在植被细分类研究中具有独特优势。因而,本文以Sentinel-2A影像为数据源,基于文献[20]中的相关植被配制,对江苏省无锡市太湖湖滨带植被群落进行划分后,充分利用其红边光谱特征对湖滨带植被群落进行分类,并以基于归一化植被指数的分类结果和不同分类方式下各植被群落间可分性的定量分析为辅助进行验证,以此来评价Sentinel-2A光谱红边波段在植被分类中的直接应用效果。

1 材料与方法

1.1 研究区概况

研究区位于太湖竺山湾湖滨带,毗邻江苏省无锡市沙塘港村,属亚热带季风气候区,雨热同期,年均温15.7℃,年均降水1 277.1mm,土壤为中性重壤质黄土,密度为1.38g/cm3[21]。该区域为《湖滨带生态修复与缓冲带建设技术及工程示范课题》的规划区域之一[22]。为改善太湖水质、恢复湖滨带的生物多样性,项目遵循“近自然生态修复”的理念,依据土地利用情况及当地的排污现状进行湖滨带植被缓冲带的建设,形成了具有不同植被覆盖的缓冲带。根据文献[20]显示,该区域的植被配置按照湖体至陆地区域由内到外的顺序依次为:1 000株的杨树(Populus×euramericana‘Nanlin95’)林、1 000株的中山杉(Taxodiumhybrid‘Zhongshanshan’)林、1 000株的杨树-中山杉混交林,种植行距均为2m×5m,杨树林的郁闭度略大于中山杉及杨树-中山杉混交林的郁闭度。3个条带的面积分别为2 797,4 982,2 274m2。本研究基于项目规划形成的湖滨植被带进行植被类型的划分(图1),进而分析Sentinel-2A光谱红边特征直接用于植被分类的效果。

注：图像增强方式为percent clip;假彩色显色方式为近红外波段—红波段—绿波段；图像捕获日期为2018-10-01。图1 研究区概况Fig.1 The remote sensing image of research area

1.2 数据源简介

以多时相的Sentinel-2A遥感影像为数据源(表1,图2),主要为2017年各月份的时间序列影像,其中10月份的影像由2018年的Sentinel-2A遥感影像数据补充。数据来源于美国地质调查局USGS网站(http://earthexplore.usgs.gov/),数据等级为Level-1C,已经过辐射定标及几何校正；研究所使用波段的空间分辨率分别为10,20m(表2)。下载的影像首先利用欧空局提供的Sentinel-2 Toolbox软件中的Sen2cor工具进行大气校正,后利用SNAP软件将影像20 m的波段重采样为10 m分辨率,最终选取分辨率均为10 m的近红外及红边波段进行红边斜率的计算。

表1 数据源简介Tab.1 The profile of research data

表2 Sentinel-2A卫星红波段 红边波段 近红外波段描述Tab.2 The description of Sentinel-2A spectral bands

1.3 研究方法

归一化植被指数对植被反映敏感,通过构建不同时间序列的归一化植被指数,可以了解植被在物候上的规律,是区分不同植被的重要方法。归一化植被指数的计算公式为:

(1)

式中:NDVI为归一化植被指数,NIR为Sentinel-2A遥感影像近红外波段反射率,R为Sentinel-2A遥感影像红波段反射率。

注：假彩色显色方式为近红外波段—红波段—绿波段。图2 研究区时间序列影像Fig.2 The remote sensing images of research area

从美国地质调查局光谱库(https://www.usgs.gov/labs/spec-lab)下载杨树与杉树光谱曲线(图3(a)),在最大生长季从Sentinel-2A遥感影像提取3种植被的特征光谱曲线(图3(b))。从图3中可以看到红边是波长在670～760nm之间反射率迅速增高而形成的爬升脊。而红边斜率,也称红边振幅,是红边位置上一阶导数光谱的最大峰值,一定程度上与植被的生长期呈正相关趋势,对植被的叶面积指数、覆盖度的变化较为敏感[23]。因此,通过不同植被在红边斜率上的差异可将其区分。本研究中，采用Sentinel-2A遥感影像红波段(B04)反射率与3个红边波段(B05,B06,B07)反射率的一元线性回归方程的斜率作为红边斜率来计算,红边斜率的计算公式为:

(2)

注：红波段范围为0.635～0.695；红边波段范围为0.705～0.783；近红外波段范围为0.727～0.957。图3 不同植被群落的特征光谱曲线Fig.3 Characteristic spectrum curves of different vegetation communities

一般情况下,红边位置、红边斜率为描述植被红边光谱特征的两个常用因子,红边位置主要与植被内部叶绿素含量的多少相关,随着其叶绿素含量的变化而出现红边位置的“蓝移”、“红移”现象；红边斜率主要对植被叶面积指数、覆盖度的变化较为敏感。相较于红边位置的变化,红边斜率的变化更具可视性,因而本文选取红边斜率作为湖滨带植被群落分类依据,研究技术路线如图4所示,研究内容包括以下两部分。

图4 技术路线图Fig.4 Flowchart of research methodology

1)基于Sentinel-2A红边斜率对太湖竺山湾湖滨带植被群落进行分类。

2)对Sentinel-2A红边斜率应用于植被群落分类的方法优势性的验证:a.基于归一化植被指数对Sentinel-2A红边斜率分类方法优势性的验证。归一化植被指数的计算涉及红波段及近红外波段,对应于Sentinel-2A中的波段4和波段8,但考虑到波段8A同样处于近红外波段区间,本文归一化植被指数分别基于波段4和波段8、波段4和波段8A进行计算。b.通过定量衡量不同分类方法下各植被群落间可分性大小对Sentinel-2A红边斜率分类方法优势性的验证。根据(1)—(2)式计算,分别得到不同植被群落在不同时期的红边斜率和归一化植被指数,由于各结果的量纲不统一,需要先对其进行标准化处理,继而通过计算不同分类方法下植被群落间欧式距离的大小来比较不同分类方法下各植被群落间可分性的大小。采用Z分数标准化法,具体计算公式为:

(3)

欧式距离也称欧几里得度量(Euclidean Distance),反映了空间中两个点间的实际距离,也能够度量两个值之间的差异度。两种植被条带间的欧式距离越大,代表两者之间的不相关性越强,即可分离性越高[17]。欧式距离的计算公式为:

(4)

式中:|X|为欧式距离,x1和x2分别为两种不同植被群落在同种分类方法下的标准化结果值,分为杨树纯林、中山杉纯林和杨树-中山杉混交林等3个类别。

2 结果与分析

2.1 各植被群落红边斜率的年内变化趋势

太湖竺山湾湖滨带植被群落配置依次为杨树纯林、中山杉纯林和杨树-中山杉混交林,根据此分区统计得到各植被群落2017年红边斜率的数值(图5)。结果显示,各植被群落红边斜率的变化呈现一定的相似性,其最高值均在6月份出现,最低值均在2月份出现；但是就年内变化趋势而言,纯林与混交林间略有差异,杨树纯林和中山杉纯林的红边斜率总体上均呈现先上升后下降的趋势,而杨树-中山杉混交林则分别在6月份和10月份出现两个明显峰值,总体呈现上升、下降、上升、下降的变化趋势。此外,对于不同植被群落,当植被覆盖度较低时,各植被群落的红边斜率差异较小,对植被分类的贡献不显著；但在植被最大生长季,即5—9月份期间,不同植被群落其红边斜率间的差异均明显增强。

图5 各植被群落红边斜率的年内变化Fig.5 The change of slope of red edge of different vegetation communities

2.2 红边斜率应用于湖滨带植被群落分类优势性的验证

2.2.1归一化植被指数的年内变化统计

由于波段8和波段8A均处于近红外波段区域,本文归一化植被指数分别基于红波段和近红外波段8、红波段和红边波段8A进行计算。2017年各植被群落归一化植被指数统计结果显示(图6、图7),基于波段8计算得到的归一化植被指数和基于波段8A计算得到的归一化植被指数的结果极其相似,其最高值均出现在5月份,最低值均出现在2月份；总体均呈现上升、下降、上升、下降的变化趋势,与地区植被物候相关。同红边斜率的变化趋势一样,在植被覆盖度较低时,各植被群落的归一化植被指数彼此间差异性极小,随着植被覆盖度的增加,其差异性也在增强。此外,在基于波段8计算得到的归一化植被指数中发现，2月份的中山杉的归一化植被指数值略低于杨树及混交林,猜测与杨树林下生长的植被有关,而中山杉树林下，则由于化感作用通常不易生长植被,从而造成此现象。综合来看,基于归一化植被指数进行湖滨带植被群落的分类效果显著低于基于光谱红边斜率的分类效果。

图6 各植被群落基于波段8的归一化植被指数的年内变化Fig.6 The change of NDVI based on band 8 of different vegetation communities

图7 各植被群落基于波段8A的归一化植被指数的年内变化Fig.7 The change of NDVI based on band 8A of different vegetation communities

2.2.2不同分类方式下各植被群落间可分性的比较

为了更精确地突出红边斜率应用于湖滨带植被群落分类的优势,基于实验所得数据,在对数据标准化处理后进行欧式距离的计算,进而定量分析sentinel-2A红边斜率及归一化植被指数对植被分类贡献的大小(图8—图10)。结果显示,当植被在生长季时,不同植被条带的红边斜率差异明显增强:在杨树纯林和中山杉纯林的分类中,基于红边斜率的植被群落分类方法在5月、6月、8月与基于归一化植被指数的两种分类方法有着显著差异,对于植被群落分类存在明显优势；在杨树纯林和杨树-中山杉混交林的分类中,基于红边斜率的植被群落分类方法在5月、6月、8月、9月的分类效果显著高于基于归一化植被指数的两种分类方法；在中山杉纯林和杨树-中山杉混交林的分类中,基于红边斜率的植被群落分类方法在8月和9月的分类效果最佳。因此,生长季植被(5—9月)的红边斜率有着明显的差异,通过红边斜率的分类方法相较于归一化植被指数的分类方法存在显著优势。

图8 杨树纯林和中山杉纯林的欧式距离分析Fig.8 Analysis of the irrelevance between pure poplar forest and pure Chinese fir forest

图10 中山杉纯林和杨树-中山杉混交林的欧式距离分析Fig.10 Analysis of the irrelevance between pure Chinese fir forest and mixed poplar-Chinese fir forest

在非生长季,3种分类方法的效果均不理想。在杨树纯林和中山杉纯林的非生长季,仅有12月份的分类效果较好,但3种分类方法并无显著优劣；在杨树纯林和杨树-中山杉混交林的非生长季,3种分类方法的欧氏距离均较低,分类效果较差；在中山杉纯林和杨树-中山杉混交林的非生长季,基于红边斜率的植被群落分类方法在11月、12月有着一定优势,但相较于其在生长季的欧氏距离仍有一定差距。因此,在植被的非生长季,3种方法在区分3种植被群落上均效果一般,在区分的程度上3种方法都无显著优势。

此外,发现在植被生长季,基于波段8A的归一化植被指数对3种植被群落的区分度高于基于波段8的归一化植被指数,原因可能与两种植被的光谱特征有关。在近红外波段,杨树和杉树的反射率仍有一定上升趋势(图3)。波段8的波宽为115nm,波段8A的波宽为20nm,因此,基于波段8A的归一化植被指数对不同植被光谱的变化更为敏感,对两种植被的区分度也较高。

3 讨论与结论

研究结果表明,直接利用Sentinel-2A的红边光谱参数进行植被分类具有明显优势性,其红边区域窄波段的设计有助于精确捕获植被的光谱红边特征。在3种方法的分类能力评估中,发现基于红边斜率差异的分类方法的分类能力在植被最大生长期要显著高于基于红波段和红边波段8A、红波段和近红外波段构建的归一化植被指数,在湖滨带植被群落分类中应用效果较佳。

结合植被的光谱特征考虑,认为利用红边斜率进行植被分类精度更高的原因主要与Sentinel-2A红边波段宽度的设置有关。受植被体内叶绿素、类胡萝卜素对光的反射和吸收及叶片独特的海绵结构的影响,典型的植被光谱曲线主要有以下几个特征,即蓝色波段和红色波段处的反射低谷、绿色波段处小的反射峰值及近红外波段处的高反射峰值。因此,研究学者充分利用了植被红波段和近红外波段处反射率的巨大反差构建了归一化植被指数用以植被遥感监测研究[24-25]。但在高植被覆盖区,红光反射减少,近红外光反射增加,红光吸收存在饱和效应,两者间的反差取决于近红外波段处反射率的变化[26]。此外,对于Sentinel-2A卫星而言,其近红外波段宽度为115 nm,红边波段8A的宽度为20 nm,由于红边波段8A的宽度更小,因而相较于近红外波段8更能反映不同植被光谱特征间的细微差异,故在植被分类中,基于红边波段8A构建的归一化植被指数的分类效果要高于基于近红外波段8构建的归一化植被指数。同理,由于高覆盖区植被的红波段存在饱和效应,而Sentinel-2A的红边波段5、红边波段6、红边波段7完全处于植被反射率急剧变化的区域,其波长宽度分别为15,15,20 nm,不受饱和效应的影响,因而对叶绿素含量的变化更为敏感,在提取不同类型植被过程中的精确度更高,相较于基于归一化植被指数的分类方式效果更好。

此外,研究结果显示植被红边斜率的变化一定程度上可显示植被物候的变化。不同于单一植被类型区域的杨树纯林和中山杉纯林,杨树-中山杉混合林的红边斜率在一年内出现两个峰值,对应的分别为6月和10月,在归一化植被指数中两个峰值对应的分别为5月和10月。根据对研究区的调查,该区域的植物组成为中山杉和杨树混交林,相关资料显示杨树的最大生长季为5—10月[27],中山杉的最大生长期差异较大,部分统计结果显示其快速生长期为5月上旬至8月上旬，或者6月上旬至11月上旬[28]。在中山杉纯林中,其红边斜率及归一化植被指数均只出现一个峰值,而在杨树-中山杉混交林中两者均出现双峰值,且峰值对应月份有所差异。针对这一现象,结合植被红边斜率对叶绿素含量变化的显著敏感性,未来可以考虑将植被红边斜率应用于植被物候的监测中。

本文研究的主要目的是为评估Sentinel-2A卫星红边波段直接应用于植被分类的效果,研究基于先验知识对湖滨带植被群落进行划分后,再分别统计其红边斜率和归一化植被指数的年内变化。结果表明,在植被覆盖度较低时,基于红边斜率、归一化植被指数的湖滨带植被群落的分类效果均不理想；当到达植被最大生长季,植被覆盖度达到一定程度后,红边斜率对植被群落分类的优势显著高于归一化植被指数。因而可以认为,利用Sentinel-2A的光谱红边斜率特征进行植被群落分类具有一定的优势性。